XiaoMi-AI文件搜索系统
World File Search SystemPerceptron
使用WEKA
摘要作者Bishal Gyawali标题糖尿病使用WEKA 2024年使用分类算法的Mellitus预测，语言英语页面43 + 6附录名称主管Rayko Toshev早期糖尿病识别是控制慢性病的至关重要的。本研究使用WEKA比较四种分类算法（多层感知，逻辑回归，随机森林和额外树木）的性能。在各种火车测试拆分上评估了精度，精度，召回和F量表。多层感知器通常超过其他人，表明其在糖尿病预测中有用。逻辑回归和随机森林都产生了令人鼓舞的结果。额外的树木经常表现不佳。这些发现强调了早期糖尿病诊断的分类算法的潜力，这可以帮助医疗保健从业人员做出更明智的决定。未来的研究可能会调查复杂的算法，结合许多数据源，并评估现实世界中的治疗影响。
模拟Sigmoid函数及其近似导数的设计方法
摘要 — 在本文中，我们建议使用模拟电路实现 S 型函数，该函数将用作多层感知器 (MLP) 网络神经元的激活函数，以及其近似导数。文献中已经提出了几种实现方法，特别是 Lu 等人 (2000) 的实现方法，他们提供了采用 1.2 µ m 技术实现的可配置简单电路。在本文中，我们展示了基于 Lu 等人的 S 型函数电路设计，使用 65 nm 技术以降低能耗和电路面积。该设计基于对电路的深入理论分析，并通过电路级模拟进行验证。本文的主要贡献是修改电路的拓扑结构以满足电路所需的非线性响应以及提取所得电路的直流功耗。索引词——激活函数、模拟 CMOS 电路、近似导数、反向传播、多层感知器、S 型函数。
课程描述2024-2025
主题是 - 学习与概括[6周] - 分类：感知算法的融合 - 回归：线性回归剂 - 成本最小化与概率模型 - 贝叶斯学习 - 贝叶斯学习：共轭先生，大约推理的推理公平[3周] - 有条件的独立性 - 平稳性 - 平稳性 - 平稳性-Caissaly -Caissations -Caissality -Caissationsy -Caissality -Caissality -Caissality -Caissality -Caissality -Caissality -caus caissality caus caissality acy caussations anderness。隐私[3周] - 匿名和差异隐私 - 随机响应和拉普拉斯机制 - 指数机制。
使用机器学习和...
贫困仍然是一项持续的全球挑战，它影响了全球数百万，并阻碍了可持续发展目标。与贫困相关的数据传统上是由几年来一次进行的一次家庭调查收集的。不幸的是，在印度，这种传统数据收集方法的覆盖范围有许多局限性，而且昂贵，耗时且费力。这项研究将有助于确定贫困地区以及贫困水平，这将有助于制定政策，从而改善此类领域。该研究利用了各种数据源，包括卫星图像，地理空间数据，社会经济调查和兴趣点（POI）数据。采用了这些多样化数据集中的有意义的模式和相关性，采用了各种机器学习和深度学习算法，例如决策树回归器，随机森林回归，卷积神经网络（CNN）和多层Perceptron（MLP）。在随机森林回归者的帮助下，该研究能够以0.778的R2分数估算乡村/城镇一级的贫困。
向美国人工智能研究中心做报告
人工智能的主要里程碑 1. 达特茅斯研讨会 (1956) 2. 感知器 (1957)： 3. ELIZA (1965)： 4. 专家系统时代 (1970 年代 - 1980 年代) 5. 深蓝与加里·卡斯帕罗夫 (1997) 6. 机器学习的诞生 (1997) 7. ImageNet 和深度学习 (2012) 8. AlphaGo (2016) 9. 生成对抗网络 (GAN) (2014) 10. Transformer 和自然语言处理 (2017)
基于卷积层的Hadamard变换的混合量子古典方法
在本文中，我们提出了一种新型的Hadamard Trans-form-基于基于量子量子量子计算的神经网络层。它在Hadamard变换域中实现了常规卷积层。这个想法基于HT卷积定理，该定理指出，两个向量之间的二元卷积等于其HT表示的元素乘法。计算HT仅仅是在每个量子位上应用于每个量子的应用，因此我们提出的层的HT计算可以在量子计算机上实现。与常规Conv2D层相比，所提出的HT- perceptron层在计算上更有效。与CNN相比具有相同数量的可训练参数和99.26％的测试准确性，我们的HT网络达到99.31％的测试效果，而MNIST数据集中降低了57.1％的MAC；在我们的ImagEnet-1K实验中，我们的基于HT的RESNET-50超过了基线RESNET-50的准确性，使用少11.5％的参数，而MAC少12.6％。
机器学习
单元 – 第一线性模型多层感知器 – 向前 – 向后：反向传播误差 – 实践中的多层感知器 – 使用 MLP 的示例 – 概述 – 推导反向传播 – 径向基函数和样条 – 概念 – RBF 网络 – 维数灾难 – 插值和基函数 – 支持向量机单元 – 第三树和概率模型用树学习 – 决策树 – 构建决策树 – 分类和回归树 – 集成学习 – 提升 – 装袋 – 组合分类器的不同方法 – 概率和学习 – 数据转化为概率 – 基本统计 – 高斯混合模型 – 最近邻方法 – 无监督学习 – K 均值算法 – 矢量量化 – 自组织特征映射。单元 – IV 降维和进化模型 降维 – 线性判别分析 – 主成分分析 – 因子分析 – 独立成分分析 – 局部线性嵌入 – Isomap – 最小二乘优化 – 进化学习 – 遗传算法 – 遗传后代：- 遗传算子 – 使用遗传算法 – 强化学习 – 概述 – 迷路示例 – 马尔可夫决策过程 单元 – V 图形模型 马尔可夫链蒙特卡罗方法 – 抽样 – 提案分布 – 马尔可夫链蒙特卡罗 – 图形模型 – 贝叶斯网络 – 马尔可夫随机场 – 隐马尔可夫模型 – 跟踪方法。
在基于ECOG的大脑计算机界面的长期临床试验中，运动皮层中误差相关的检测
摘要：错误相关性被认为是BCI的有望作为执行错误校正或预防的一种方式，或标记数据以在线适应BCIS的控制模型。当前最新的BCIS是基于运动模拟的侵入性BCI，因此除了感觉运动皮质外，无法访问神经数据。我们在单个试验级别研究了在观察或运动成像（MI）控制BCI期间，误差的存在和可检测性与四翼型用户对BCI进行了两个离散类别。We show that error correlates can be detected using a broad range of classifiers, namely Support Vector Machine (SVM), logistic regression, N-way Partial Least Squares (NPLS), Multilayer Perceptron (MLP) and Convolutional Neural Network (CNN) with respective mean AUC of the ROC curve of 0.645, 0.662, 0.642, 0.680 and 0.630在观察条件下，在MI-Control条件下，0.623、0.605、0.603、0.626和0.580。我们还建议这些误差相关的时间稳定。这些发现表明，使用基于侵入性运动模拟的BCI进行误差校正或预防，可以在临床试验中使用误差相关性。
CS184A/284A 生物和医学中的人工智能
● 简介。课程框架 ● 最近邻方法、线性回归 ● 感知器、逻辑回归、支持向量机、决策树 ● 应用 1：基因表达分析、生物标志物发现、精准医疗 ● 无监督学习、主成分分析、聚类 ● 应用 2：单细胞 RNA-seq 分析、其他基因组应用 ● 概率模型、马尔可夫模型、EM 算法 ● 应用 3：基因发现、调控基序发现、CpG 岛 ● 神经网络、深度学习 ● 应用 4：生物医学图像分析
使用基于变压器的神经网络
摘要：在这项研究中，我们引入了一种新型的基于变压器的神经网络（DTNN）模型，用于预测锂离子电池的剩余使用寿命（RUL）。所提出的DTNN模型在准确性和可靠性方面显着优于传统的机器学习模型和其他深度学习档案。特别是，DTNN达到0.991的R 2值，平均百分比误差（MAPE）为0.632％，绝对RUL误差为3.2，比其他模型（例如随机森林（RF），决策树（DT），多层perceptron（MLP），REN NERTEN（RN），REN NERTIAL NERTIST（RN NERTIRER NERTIAL（RN））（RN）（rn）（RF）（RF）（RN）（RNN）（RNN）（RNN）（RNN NEFT）（RN NORN NERTER），RNN NOVERRENT NERTER，长期（RN）复发单元（GRU），Dual-LSTM和Decransformer。这些结果突出了DTNN模型在为电池RUL提供精确可靠的预测方面的效率，这使其成为各种应用中电池管理系统的有前途的工具。